揭秘Java JWT签名机制:5步实现安全可靠的Token验证流程

AI应用架构师揭秘:智能资产AI管理平台的会话管理(附JWT+Redis) 首先,我们需要存储用户的基本信息(如用户名、密码)和权限(角色)。`role` varchar(20) NOT NULL COMMENT '角色:ADMIN/ASSET_MANAGER/AI_ENGINEER/USER',对应的Java实体类(User.java@Data// 角色,如"ADMIN"本文揭秘了智能资产AI管理平台的会话管理方案,通过JWT+Redis的组合,解决了单纯JWT无法主动失效、单纯Session性能不足的问题。用JWT实现无状态的身份验证; 阅读详情

第一章:揭秘Java JWT签名机制的核心原理

JSON Web Token(JWT)是一种开放标准(RFC 7519),广泛用于在各方之间安全传输信息。其核心在于通过数字签名确保数据的完整性与身份的真实性,尤其在Java生态中被广泛应用于身份认证和授权系统。

JWT结构组成

一个典型的JWT由三部分组成:头部(Header)、载荷(Payload)和签名(Signature),各部分通过Base64Url编码后以点号(.)连接:

  1. Header:包含令牌类型和所用签名算法(如HS256)
  2. Payload:携带声明(claims),例如用户ID、过期时间等
  3. Signature:对前两部分进行加密签名,防止篡改

签名生成过程

以HMAC-SHA256算法为例,Java中可通过以下代码生成签名:

// 构造header和payload并进行Base64Url编码
String header = Base64.getUrlEncoder().encodeToString("{\"alg\":\"HS256\",\"typ\":\"JWT\"}".getBytes());
String payload = Base64.getUrlEncoder().encodeToString("{\"sub\":\"1234567890\",\"exp\":1672523200}".getBytes());

// 拼接待签名字符串
String signingInput = header + "." + payload;

// 使用密钥生成HMAC签名
Mac mac = Mac.getInstance("HmacSHA256");
SecretKeySpec secretKey = new SecretKeySpec("your-256-bit-secret".getBytes(), "HmacSHA256");
mac.init(secretKey);
byte[] signatureBytes = mac.doFinal(signingInput.getBytes());
String signature = Base64.getUrlEncoder().encodeToString(signatureBytes);

System.out.println(header + "." + payload + "." + signature);

上述代码展示了如何手动构造JWT签名,关键在于使用密钥对拼接后的字符串进行加密运算。

常见签名算法对比

算法类型安全性性能适用场景
HS256(对称)中等高内部服务间认证
RS256(非对称)高中开放API、OAuth2
graph TD A[Header] --> B(Encode to Base64Url) C[Payload] --> D(Encode to Base64Url) B --> E[signingInput = B + '.' + D] F[Secret Key] --> G[HMAC-SHA256] E --> G G --> H[Signature]

第二章:JWT基础理论与Java实现准备

2.1 JWT结构解析:Header、Payload、Signature三大组成部分

JSON Web Token(JWT)是一种开放标准(RFC 7519),用于在网络应用间安全传递声明。JWT由三部分组成:Header、Payload 和 Signature,每部分均为Base64Url编码的JSON字符串,通过点号(.)连接。
Header:头部信息
Header通常包含令牌类型和所使用的签名算法:
{
  "alg": "HS256",
  "typ": "JWT"
}
其中,alg表示签名算法(如HS256),typ表示令牌类型。
Payload:有效载荷
Payload携带声明信息,分为三种类型:注册声明、公共声明和私有声明。
  • 注册声明:如iss(签发者)、exp(过期时间)
  • 公共声明:自定义但需避免冲突
  • 私有声明:双方约定的业务数据
Signature:签名验证
Signature通过拼接前两部分并使用指定算法加密生成,确保数据完整性:
signature = HMACSHA256(
  base64UrlEncode(header) + "." +
  base64UrlEncode(payload),
  secret)
该签名用于接收方验证JWT是否被篡改。

2.2 签名算法详解:HS256与RS256的区别与应用场景

核心机制对比
HS256(HMAC + SHA-256)使用对称加密,签名与验证共用同一密钥;RS256(RSA + SHA-256)采用非对称加密,私钥签名、公钥验证,安全性更高。
  • HS256:适合内部系统间通信,性能高但密钥分发风险大
  • RS256:适用于开放平台,支持第三方安全验证
典型应用场景
{
  "alg": "RS256",
  "typ": "JWT"
}
上述头部声明表明使用RS256算法,常用于OAuth 2.0令牌签发。企业API网关多采用RS256以实现服务间可信调用。
算法密钥类型性能适用场景
HS256对称密钥高内部微服务认证
RS256非对称密钥中开放平台、SaaS服务

2.3 Java中JWT库选型:JJWT vs Nimbus JOSE

在Java生态中,JJWT和Nimbus JOSE是实现JWT的主流选择。JJWT以简洁API著称,适合快速集成。
JJWT示例代码
String jwt = Jwts.builder()
    .setSubject("user123")
    .signWith(SignatureAlgorithm.HS256, "secretKey".getBytes())
    .compact();
该代码生成一个HMAC签名的JWT,setSubject设置主体,signWith指定算法与密钥。
核心对比维度
  • JJWT:API直观,文档清晰,适合初学者和中小型项目;
  • Nimbus JOSE:功能全面,支持JOSE全栈标准(JWT、JWS、JWE、JWK),适用于复杂安全场景。
选型建议
维度JJWTNimbus JOSE
易用性高中
功能完整性基础全面

2.4 搭建Spring Boot环境并集成JJWT依赖

首先,使用 Spring Initializr 创建基础项目,选择 Web、Security 等核心模块,确保项目结构完整。推荐使用 Maven 或 Gradle 进行依赖管理。
添加 JJWT 依赖
在 pom.xml 中引入 JJWT 官方依赖:
<dependency>
    <groupId>io.jsonwebtoken</groupId>
    <artifactId>jjwt-api</artifactId>
    <version>0.11.5</version>
</dependency>
<dependency>
    <groupId>io.jsonwebtoken</groupId>
    <artifactId>jjwt-impl</artifactId>
    <version>0.11.5</version>
    <scope>runtime</scope>
</dependency>
<dependency>
    <groupId>io.jsonwebtoken</groupId>
    <artifactId>jjwt-jackson</artifactId>
    <version>0.11.5</version>
    <scope>runtime</scope>
</dependency>
上述配置包含 JJWT 的 API 接口、默认实现和 Jackson 数据绑定支持,确保 JWT 能正确序列化与解析。scope 设为 runtime 表示实现类在运行时加载,符合模块化设计原则。

2.5 安全密钥管理:生成与存储Secret Key的最佳实践

密钥生成的安全要求
生成Secret Key时,必须使用密码学安全的随机数生成器(CSPRNG),避免使用可预测的数据源。推荐长度至少为256位,以抵御暴力破解。
// 使用Go生成32字节安全密钥
import "crypto/rand"
key := make([]byte, 32)
_, err := rand.Read(key)
if err != nil {
    log.Fatal("密钥生成失败")
}
该代码利用操作系统提供的熵源生成真随机密钥,rand.Read 返回错误需显式处理,确保密钥未被伪随机填充。
安全存储策略
  • 禁止将密钥硬编码在源码或配置文件中
  • 生产环境应使用密钥管理服务(如AWS KMS、Hashicorp Vault)
  • 本地开发可借助环境变量,但需通过.env文件隔离

第三章:Java实现JWT令牌生成

3.1 构建自定义声明(Claims)与过期时间

在JWT(JSON Web Token)中,自定义声明用于携带用户身份之外的额外信息,如角色、权限或组织归属。这些声明可显著提升认证系统的灵活性。
标准与自定义声明结构
JWT的payload部分包含三类声明:注册声明(如exp)、公共声明和私有声明。推荐使用小写字符串避免命名冲突。
{
  "sub": "1234567890",
  "name": "Alice",
  "role": "admin",
  "org": "engineering",
  "exp": 1735689600
}
上述代码中,role和org为自定义声明,用于权限控制;exp表示令牌过期时间,单位为秒级时间戳。
设置合理过期时间
为保障安全性,应通过exp字段设定短期有效策略。例如,使用当前时间加15分钟:
  • 过期时间不宜过长,建议30分钟内
  • 高敏感操作需配合刷新令牌机制

3.2 使用HMAC-SHA256生成签名Token的完整代码示例

在安全通信中,HMAC-SHA256是一种广泛采用的消息认证机制,用于确保数据完整性和身份验证。以下是一个使用Go语言实现HMAC-SHA256签名Token的完整示例。
核心代码实现
package main

import (
    "crypto/hmac"
    "crypto/sha256"
    "encoding/base64"
    "fmt"
)

func GenerateToken(data, secret string) string {
    key := []byte(secret)
    h := hmac.New(sha256.New, key)
    h.Write([]byte(data))
    return base64.StdEncoding.EncodeToString(h.Sum(nil))
}

func main() {
    token := GenerateToken("user123", "my-secret-key")
    fmt.Println("Signed Token:", token)
}
上述代码中,hmac.New(sha256.New, key) 创建基于SHA256的HMAC实例,base64 编码确保输出可传输。输入数据与密钥结合生成唯一摘要,防止篡改。
关键参数说明
  • data:待签名的原始信息,如用户ID或请求体;
  • secret:共享密钥,必须保密且服务端一致;
  • hash算法:SHA256提供256位强度,抗碰撞性强。

3.3 支持RSA非对称加密的Token签发流程

在现代身份认证系统中,基于RSA非对称加密的Token签发机制提供了更高的安全性。该流程使用私钥签名、公钥验证的方式,确保令牌不可篡改且可安全分发。
核心签发步骤
  1. 客户端提交认证请求,服务端验证凭证
  2. 服务端使用RSA私钥对用户信息生成JWT签名
  3. 将签名后的Token返回客户端
  4. 客户端后续请求携带Token,服务端用公钥验证签名有效性
代码实现示例
// 使用Go语言生成RSA签名的JWT
token := jwt.NewWithClaims(jwt.SigningMethodRS256, claims)
signedToken, err := token.SignedString(privateKey) // privateKey为*rsa.PrivateKey
if err != nil {
    log.Fatal(err)
}
上述代码中,SigningMethodRS256 表示使用SHA-256哈希算法与RSA私钥进行签名,SignedString 方法完成签名运算。私钥用于签发,而公钥(*rsa.PublicKey)则部署在验证端,实现安全解码与校验。

第四章:JWT验证机制与安全防护

4.1 Token解析与签名验证的Java实现

在JWT(JSON Web Token)处理中,Token解析与签名验证是保障接口安全的核心环节。Java平台可通过标准库或第三方框架如JJWT实现高效解析。
依赖引入与基础配置
使用Maven管理依赖时,需引入JJWT库:
<dependency>
    <groupId>io.jsonwebtoken</groupId>
    <artifactId>jjwt-api</artifactId>
    <version>0.11.5</version>
</dependency>
该依赖提供了解析、构建和验证JWT的完整API支持。
Token解析逻辑实现
Claims claims = Jwts.parserBuilder()
    .setSigningKey(Keys.hmacShaKeyFor(SECRET_KEY.getBytes()))
    .build()
    .parseClaimsJws(token)
    .getBody();
上述代码通过HMAC-SHA算法校验签名有效性,并提取载荷中的声明信息。若签名不匹配将抛出SignatureException,确保非法Token被及时拦截。

4.2 防止重放攻击:结合Redis实现JWT黑名单机制

在JWT无状态认证中,令牌一旦签发,在过期前始终有效,易遭受重放攻击。为增强安全性,需引入黑名单机制,将用户登出或强制失效的令牌记录下来,阻止其再次使用。
Redis作为黑名单存储的优势
Redis具备高性能读写和自动过期能力,非常适合存储短期失效的JWT黑名单。利用其SET命令配合EXPIRE时间,可精确控制令牌的无效时长。
黑名单实现逻辑
用户登出时,将其JWT的唯一标识(如jti)和过期时间存入Redis,键名为`blacklist:`,有效期等于JWT剩余时间。
func AddToBlacklist(jti string, expireTime time.Duration) error {
    ctx := context.Background()
    key := fmt.Sprintf("blacklist:%s", jti)
    return redisClient.Set(ctx, key, "1", expireTime).Err()
}
该函数将JWT的jti写入Redis,设置与原Token一致的过期时间,避免长期占用内存。
中间件校验流程
每次请求验证JWT后,立即检查其jti是否存在于Redis黑名单中,若存在则拒绝访问,有效防止已注销Token被重复使用。

4.3 过期处理与自动刷新Token的设计模式

在现代认证体系中,Token过期是保障安全的重要机制。为提升用户体验,需设计自动刷新策略,避免频繁重新登录。
双Token机制
采用Access Token与Refresh Token分离的方案:
  • Access Token:短期有效,用于接口鉴权
  • Refresh Token:长期有效,用于获取新的Access Token
刷新流程实现

// 请求拦截器检查Token有效性
if (isTokenExpired()) {
  await refreshToken(); // 自动刷新
  retryOriginalRequest();
}
该逻辑在HTTP拦截器中实现,当检测到401响应时触发刷新流程,并重试原请求,确保业务无感知。
状态管理与并发控制
使用锁机制防止多次并行刷新:
状态行为
空闲允许发起刷新
进行中排队等待结果
此设计避免多请求同时触发刷新导致的冲突问题。

4.4 常见安全漏洞防范:篡改、泄露与跨站传输风险

数据传输加密
为防止敏感信息在传输过程中被窃听或篡改,必须使用 HTTPS 协议替代 HTTP。TLS 加密可确保客户端与服务器间通信的机密性与完整性。
// 示例:强制启用 HTTPS 重定向
r.Use(func(c *gin.Context) {
    if c.Request.Header.Get("X-Forwarded-Proto") != "https" {
        c.Redirect(301, "https://"+c.Request.Host+c.Request.RequestURI)
    }
})
该中间件检查请求协议头,若非 HTTPS 则重定向至安全连接,防止降级攻击。
跨站脚本(XSS)防护
通过内容安全策略(CSP)和输入输出编码,阻止恶意脚本注入。设置响应头以限制资源加载来源:
HTTP Header推荐值
Content-Security-Policydefault-src 'self'; script-src 'self' 'unsafe-inline'
X-Content-Type-Optionsnosniff

第五章:构建高可用的JWT认证体系与未来演进

无状态会话的扩展实践
在微服务架构中,JWT 的无状态特性极大降低了服务间会话同步的开销。然而,当用户权限动态变更时,传统 JWT 无法立即失效令牌。一种解决方案是引入短期 JWT 配合 Redis 存储黑名单机制:

// 标记需提前失效的 JWT jti
func AddToBlacklist(jti string, expiry time.Duration) error {
    return redisClient.Set(context.Background(), "blacklist:"+jti, "1", expiry).Err()
}

// 中间件校验黑名单
if val, _ := redisClient.Get(context.Background(), "blacklist:"+jti).Result(); val == "1" {
    return errors.New("token 已被撤销")
}
多端登录控制策略
为支持 Web、App 多端独立登录,可为每个设备生成唯一 device_id 并绑定至 JWT payload:
  • 登录时生成 device_id 并存入数据库
  • JWT payload 包含 device_id 和客户端类型(web/app)
  • 登出时仅使当前 device_id 对应的 token 失效
  • 用户可在账户中心查看活跃设备并远程注销
向 OpenID Connect 演进
随着系统规模扩大,建议将 JWT 认证升级为基于 OAuth 2.1 和 OpenID Connect 的身份联邦体系。例如使用 Keycloak 或 Auth0 作为 IdP,实现单点登录、社交登录和细粒度授权。
特性纯 JWTOpenID Connect
跨域支持有限原生支持
第三方登录需自行集成内置支持
令牌管理自维护标准化协议
深入Java数字签名与安全机制 本文深入探讨了Java数字签名的原理与实现,包括如何创建和验证签名类、签名jar文件的创建与验证过程,以及如何通过类加载器和安全策略来扩展Java的沙箱安全模型。文章详细介绍了jarsigner工具的使用方法,并通过代码示例展示了如何自定义类加载器来处理数字签名。 阅读详情

相关推荐

java jwt 统一认证 demo

包含jwt包和源码 jwt打包成工具 可以直接使用 加密解密方法

Java应用服务系统安全性,签名和验签浅析

签名和验签操作

smilehappiness的博客 3205

(赛事-2022)[re:Invent 2018]-002:通过分析log多次迭代优化奖励函数后- 最快7.6s / 圈

Deepracer training 流程

Rainbow 4715

Java的方法签名

方法签名(Method Signature)是指方法名称和参数表组成的方法标识符,它基本上决定了一个方法的外部行为和属性。方法签名决定了方法的外部视图,调用这个方法需要遵循的语法。而对于方法覆盖,因为存在继承层级,子类可以覆盖父类的方法来改变实现逻辑,但需要保持方法签名相同,这样调用语法对用户来说是一致的。对于方法重载,类中可以有多个同名方法,只要参数列表不同即可视为新方法,编译器会根据参数匹配来区分。方法签名与方法实现(方法体内具体代码逻辑)是分离的,签名决定调用语法,方法体是内部实现。

weixin_63490470的博客 3351

用KalmanNet搞定非线性状态估计:当卡尔曼滤波遇上神经网络

本文深入探讨了KalmanNet如何将神经网络与卡尔曼滤波结合,以解决非线性状态估计中的模型失配和噪声不确定性问题。通过保留经典滤波框架并用RNN学习卡尔曼增益,该方法在无人机导航、机器人定位等场景中实现了模型驱动与数据驱动的优势互补,提升了估计的鲁棒性和灵活性。

mango的博客 315

树莓派4在Bookworm Raspbian系统下无法进入桌面模式(启动后出现彩色画面,然后一直黑屏,但是可以正常启动和ssh)

本文记录了这段比较坎坷的探索之路,由于你的问题不一定是我最终解决方案的,可能是前面探索路上试过的,所以建议按顺序看排除前置问题。 双十一又买了个树莓派 4B,插上之前树莓派 4B 的 TF 卡直接就能使用(毕竟是一样规格的)。但是由于用来连接硬盘的 USB 线是坏的,我以为是系统问题就进行了重装(所以坏掉的线还是直接扔了好)。 重新安装系统就装了最新的 2023-10-10 版本的 64 位的 Raspberry Pi OS,但是出现了一个问题: 启动后出现彩色画面,然后一直黑屏。

ZhongUncle的博客 3735

【JAVA学习】Java对外接口签名(Signature)签名算法实现,开放平台api接口签名怎么写,sign签名怎么实现,第三方接口签名校验设计

Java对外接口签名(Signature)签名算法实现,开放平台api接口签名怎么写,sign签名怎么实现

也不一样的博客 3272

从FedAvg到实战:手把手教你用PyTorch复现联邦学习经典论文实验(MNIST/CIFAR-10)

本文详细介绍了如何使用PyTorch复现联邦学习经典算法FedAvg在MNIST和CIFAR-10数据集上的实验。从环境搭建、数据非IID划分到模型实现和参数聚合,手把手教你掌握联邦学习的核心技术与实战技巧,帮助开发者和研究人员快速实现隐私保护的分布式机器学习方案。

weixin_29053695的博客 256

掌握 Java 的安全机制:加密与数字签名

Java 的安全机制为构建可信应用提供了坚实基础,而加密与数字签名是其中的核心支柱。随着安全威胁的不断演变,开发者需持续关注算法演进与框架更新,在便利性与安全性间找到平衡点。未来,同态加密、区块链等新技术将进一步拓展 Java 安全生态的边界,为企业级应用保驾护航。

潜意识Java的博客 826

从镜头到像素:深入解析Camera、Sensor与V4L2的协同工作流

本文深入解析了摄像头从物理成像到软件控制的完整工作流。详细介绍了镜头、传感器(Sensor)与V4L2框架的协同机制,涵盖光电转换、同步信号、ISP图像处理等核心环节,并通过实战演示了如何使用v4l2-ctl工具进行调试,为嵌入式开发和驱动调试提供系统指南。

weixin_29230805的博客 390

phpstudy自定义安装mysql8.3并启动

下载压缩包文件然后按下面的图片一步一步操作选择版本,选择第一个压缩包文件,下载下载完成后,解压到phpstudy环境目录下

互联网碎碎念 2804

为什么你的MCP OAuth 2026始终返回invalid_client?揭秘RFC 9433新增PKCE强制要求与JWKS密钥轮转陷阱

解决MCP OAuth 2026 invalid_client错误,详解RFC 9433强制PKCE与JWKS密钥轮转配置要点。覆盖MCP身份验证OAuth 2026实践配置步骤详解,适用于现代移动/Web应用安全接入。规避常见密钥不匹配与授权码劫持风险,值得收藏。

DebugVibe的博客 443

【AI智能体】最强AI编程利器 Claude Code 从部署到项目实战详解

最强AI编程利器 Claude Code 从部署到项目实战详解

congge 4513

验证签名机制——java示例

简单的验证公钥私钥签名认证; 公钥是对外公开的部分,私钥是不公开的部分,一般在项目开发中公钥是给用户,私钥是存于服务器上,二者中有一个加密,则需要另外一个来解密。 下面是java实现的一个比较简单的示例:示例中注释写的很详细,可以大致看下,供参考   [java] view plain copy  print? import java.s

谷神通 3189

基于Python的船舶AIS数据爬取与分析:从数据采集到可视化实战

本文详细介绍了如何使用Python构建一个完整的船舶AIS数据爬取与分析系统。文章从AIS系统的基本原理讲起,逐步深入到数据采集、存储、清洗、分析和可视化的全流程。我们将使用最新的Python技术栈,包括aiohttp异步爬虫、MongoDB存储、Pandas数据处理以及Pydeck三维可视化等。本文提供了完整的代码实现,并探讨了在实际应用中可能遇到的问题及其解决方案。关键词:AIS数据、Python爬虫、异步IO、数据可视化、海事分析。

2201_76125261的博客 813

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【Java数字签名实战指南】:手把手教你实现安全可靠的数字签名(含完整代码示例)

掌握Java数字签名技术,轻松实现数据完整性与身份认证。本文提供详细的Java数字签名示例,涵盖密钥生成、签名与验证全流程,适用于安全通信、电子合同等场景,代码可直接复用,值得收藏。

FuncFun的博客 771

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

java数字签名(签名生成,用证书验证签名)

来源:赛迪网 ...

weixin_30821731的博客 1391

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

深度解析 JWT:从原理到实战的全场景解决方案(附永久 Token 设计与集成系统实践)

本文结合 JWT 官方标准(RFC 7519)与生产级实践,全面解析 JSON Web Token 的核心机制、安全规范及 Java 生态最佳实现。涵盖 JJWT 工具类优化、Auth0/Nimbus 替代方案对比、永久 Token 设计(满足集成系统长期调用需求)及电商场景实战案例,助力开发者构建分层化认证体系。JSON Web Token(JWT)是遵循RFC 7519的开放标准,用于在网络中安全传输信息的自包含令牌。其核心结构由三部分组成:plaintextHeader:声明令牌类型(固定为JWT。

专注于 Java 后端架构、微服务、分布式、前端及 AI 领域的技术分享,是开发者获取硬核知识、交流实战经验的专业博客。 1541

JAVA WebAPI中的Token认证与数字签名实现

本文介绍了Token认证的基本原理及其实现方法。JWT作为常见Token类型,由Header、Payload和Signature三部分组成,采用Base64URL编码。文章提供了Java代码示例,展示JWT生成、验证过程,以及如何结合数字签名增强安全性。同时介绍了在SpringBoot中通过过滤器实现Token认证的方案。最后强调了实际应用中的安全注意事项,包括设置Token过期时间、敏感操作重认证、密钥安全保管等。文中包含完整的代码实现,涵盖了从基础JWT操作到结合数字签名的进阶应用。

itanly的博客 525

Java-JWT 简介

它是[JSON Web Token (JWT)]的一个java实现,可以用于身份验证,Java 8、11 和 17 支持此库。

huidalang123的博客 854

Jwt验证

json web token 其实就是一个字符串 string令牌1、标头(Header)​ 令牌类型(即jwt) + 使用的签名算法 最后通过Base64编码加密组成字符串变成JWT的一部分。2、有效载荷(Payload)​ 令牌的第二部分,有效负载,包含有关实体和其他数据的声明,除敏感信息,同样使用Base64组码加密组成JWT第二部 分 3、签名(Signature)​ Signature需要使用编码后的header和payload以及我们提供的密钥,再使用header指定的算法(HS256)进行

yyyjuedinging的博客 2286

java系列之JWT权限验证

​ cookie和session的缺点: ​ session都存储在服务端的内存 ​ 集群环境中需要额外处理 ​ csrf :cookie被截取后可能发生跨站点请求伪造 ​ cookie的跨域读写不方便

m0_61027348的博客 5163

java接口签名(Signature)实现方案

预祝大家国庆节快乐,赶快迎接美丽而快乐的假期吧!!! 前言   在为第三方系统提供接口的时候,肯定要考虑接口数据的安全问题,比如数据是否被篡改,数据是否已经过时,数据是否可以重复提交等问题。其中我认为最终要的还是数据是否被篡改。在此分享一下我的关于接口签名的实践方案。如果这种方案不是很好理解,请参考另一篇更简单暴力的方案java接口签名(Signature)实现方案续。 签...

aipiannian6725的博客 3152

java验证签名_验证签名机制——java示例

import java.security.KeyPair;import java.security.KeyPairGenerator;import java.security.NoSuchAlgorithmException;import java.security.Signature;/**** @since 2015年8月20日 下午2:22:08* @author hym*/public c...

weixin_33326218的博客 1300

java签名验证原理_JAVA加密算法数字签名实现原理详解

所谓数字签名就是信息发送者用其私钥对从所传报文中提取出的特征数据(或称数字指纹)进行 RSA 算法操作,以保证发信人无法抵赖曾发过该信息(即不可抵赖性),同时也确保信息报文在经签名后末被篡改(即完整性)。当信息接收者收到报文后,就可以用发送者的公钥对数字签名进行验证。在数字签名中有重要作用的数字指纹是通过一类特殊的散列函数(HASH 函数)生成的,对这些 HASH 函数的特殊要求是:1:接受的输入...

weixin_39566593的博客 642
上一篇: 从入门到精通:Java服务对接Grafana的4大核心步骤与最佳实践
下一篇: GitLab CI中的Java应用自动化测试,如何缩短交付周期?
SimTrans
博客等级 码龄1年 158粉丝 2004原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值